CN104867132A - 一种基于遗传算法和最大熵阈值分割算法的图像分割方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法和最大熵阈值分割算法的图像分割方法，包括以下步骤：计算图像的灰度直方图；对图像的灰度值进行编码，产生M个初始种群；利用最大熵阈值分割算法计算种群中每一个个体的适应度；对种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作和变异操作；判断两次种群中最优解的逼近程度，如果小于接受概率则结束，并获得分割阈值，否则返回，继续迭代；根据分割阈值处理待分割图像。本发明能够在短时间内收敛到较好的分割阈值。

Description

一种基于遗传算法和最大熵阈值分割算法的图像分割方法

技术领域

本发明涉及数字图像处理技术领域，特别是涉及一种基于遗传算法和最大熵阈值分割算法的图像分割方法。

背景技术

图像阈值分割时利用图像中提取的目标与物体在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(背景与目标)的组合。因此，选取一个适当的阈值，对图像中每个像素点判定应该归于目标还是背景区域，从而产生相应的二值图像。

目前主要采用的图像阈值分割方法有：基于灰度直方图的阈值方法、自适应阈值法、最大熵阈值分割法、最大类间方差阈值分割法等。其中最大熵阈值分割法具有计算量大、容易陷入局部最优的缺点。

发明内容

本发明所要解决的技术问题是提供一种基于遗传算法和最大熵阈值分割算法的图像分割方法，能够在短时间内收敛到较好的分割阈值。

本发明解决其技术问题所采用的技术方案是：提供一种基于遗传算法和最大熵阈值分割算法的图像分割方法，包括以下步骤：

(1)计算图像的灰度直方图；

(2)对图像的灰度值进行编码，随机产生M个初始种群；

(3)利用最大熵阈值分割算法计算种群中每一个个体的适应度；

(4)对种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作和变异操作；

(5)判断两次种群中最优解的逼近程度，如果小于接受概率则结束，并获得分割阈值，否则返回步骤(3)；

(6)根据分割阈值处理待分割图像。

所述步骤(3)中采用 $f\left(a_j\right)=\ln p_t(1-p_t)+\frac{H_t}{p_t}+\frac{H_T-H_t}{1-p_t},(j=\mathrm{1,2}\·\·\·n)$ 计算每一个个体的适应度，其中，a_j表示染色体，t表示染色体a_j解码后对应的灰度值，n表示染色体数目，p_i表示灰度值i在图像中出现的概率，p_t表示灰度值t在图像中出现的概率。

所述步骤(4)中的选择操作是通过种群中每个个体的适应度计算个体被选中进入下一代的概率，利用轮盘赌的方法选择进入下一代的个体，将他们复制到下一代种群中，再从新种群中随机选择一个个体，用上一代中适应度最高的个体替换，其中，每条染色体被选中的概率为其中n表示染色体的数目，a_j表示染色体，f(a_j)表示染色体a_j的适应度。

所述步骤(4)中的交叉操作是将选择操作产生的种群中的个体，两两配对，按照固定的交叉概率进行单点交叉操作。

所述步骤(4)中的变异操作是将交叉操作产生的种群中的个体，按照固定的变异概率进行变异操作。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明将遗传算法与最大熵阈值分割算法相结合，利用遗传算法并行性和全局择优的特点，提高传统最大熵阈值分割算法的速度，能够在短时间内收敛到较好的分割阈值。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于遗传算法和最大熵阈值分割算法的图像分割方法，包括以下步骤：

1)计算图像的灰度直方图，并计算各像素值所占概率。

2)对图像灰度值编码，并随机产生M个染色体。

3)染色体解码。将染色体解码为0到255之间的值。

4)计算适应度。利用最大熵阈值算法计算每条染色体的适应度。

5)选择进入下一代的个体。通过公式(1-1)计算每条染色体被选中的概率，利用轮盘赌的方法选择进入下一代的个体。随机选取一个染色体，用适应度最大的染色体替换。

$P_s\left(a_j\right)=\frac{f\left(a_j\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}f\left(a_j\right)},j=\mathrm{1,2},...,n---(1-1)$

其中n表示染色体的数目，a_j表示染色体，f(a_j)表示染色体a_j的适应度。

6)交叉操作。将上述操作产生的种群两两配对，以交叉率P_c进行交叉操作。

7)变异操作。将上述操作产生的种群中的每条染色体，以变异率P_m进行交叉操作。

8)判断新种群是否满足终止条件。如果满足终止条件就结束，否则，返回步骤5)。

9)根据分割阈值处理图像。

下面以一个具体的实施例来进一步说明本发明。

1)计算待处理图像的灰度直方图，并计算出灰度值i在图像中出现的概率p_i(i＝0,1,2…255)。

2)对图像灰度值0到255进行编码，将每条染色体编码为8位二进制数，编码范围00000000到11111111。重复产生0到255之间的随机数，赋值给每条染色体，直到染色体个数达到M。

3)将染色体解码，即将8位二进制码转化为0到255之间的数，利用公式(2-1)计算每条染色体的适应度。

$f\left(a_j\right)=\ln p_t(1-p_t)+\frac{H_t}{p_t}+\frac{H_T-H_t}{1-p_t},(j=\mathrm{1,2}\·\·\·n)---(2-1)$

其中a_j表示染色体，t表示染色体a_j解码后对应的灰度值，n表示染色体数目，p_i表示灰度值i在图像中出现的概率，p_t表示灰度值t在图像中出现的概率。

4)通过公式(1-1)计算每条染色体被选中的概率，利用轮盘赌的方法选择进入下一代的个体，将它们复制到下一代中。随机选取一个染色体，用适应度最大的染色体替换。

5)将上述选择操作产生的种群中的个体两两随机配对，对每一对相互配对的个体，随机设置某一基因座之后的位置为交叉点，依照设定的交叉概率P_c在其交叉点处相互交换两个个体的部分染色体，从而产生两个新的个体。

6)将上述交叉操作产生的种群中的个体，对个体的每一个基因座，依照设定的变异概率指定其为变异点，对于每一个指定的变异点，对其基因值做取反操作。

7)对于上述操作产生的新种群，采用接受策略，即判断两次种群中最优解的接近程度，若低于接受概率，则提前终止，否则返回步骤(4)。

不难发现，本发明将遗传算法与最大熵阈值分割算法相结合，利用遗传算法并行性和全局择优的特点，提高传统最大熵阈值分割算法的速度，能够在短时间内收敛到较好的分割阈值。

Claims (5)

1.一种基于遗传算法和最大熵阈值分割算法的图像分割方法，其特征在于，包括以下步骤：

(1)计算图像的灰度直方图；

(2)对图像的灰度值进行编码，随机产生M个初始种群；

(3)利用最大熵阈值分割算法计算种群中每一个个体的适应度；

(4)对种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作和变异操作；

(5)判断两次种群中最优解的逼近程度，如果小于接受概率则结束，并获得分割阈值，否则返回步骤(3)；

(6)根据分割阈值处理待分割图像。

2.根据权利要求1所述的基于遗传算法和最大熵阈值分割算法的图像分割方法，其特征在于，所述步骤(3)中采用 $f\left(a_j\right)=\ln p_t(1-p_t)+\frac{H_t}{p_t}+\frac{H_T-H_t}{1-p_t},(j=\mathrm{1,2}...n)$ 计算每一个个体的适应度，其中， $H_T=-\underset{i=0}{\overset{255}{\mathrm{\Σ}}}{p}_i\ln p_i,H_t=-\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i\ln p_i,$ a_j表示染色体，t表示染色体a_j解码后对应的灰度值，n表示染色体数目，p_i表示灰度值i在图像中出现的概率，p_t表示灰度值t在图像中出现的概率。

3.根据权利要求1所述的基于遗传算法和最大熵阈值分割算法的图像分割方法，其特征在于，所述步骤(4)中的选择操作是通过种群中每个个体的适应度计算个体被选中进入下一代的概率，利用轮盘赌的方法选择进入下一代的个体，将他们复制到下一代种群中，再从新种群中随机选择一个个体，用上一代中适应度最高的个体替换，其中，每条染色体被选中的概率为其中n表示染色体的数目，a_j表示染色体，f(a_j)表示染色体a_j的适应度。

4.根据权利要求3所述的基于遗传算法和最大熵阈值分割算法的图像分割方法，其特征在于，所述步骤(4)中的交叉操作是将选择操作产生的种群中的个体，两两配对，按照固定的交叉概率进行单点交叉操作。

5.根据权利要求4所述的基于遗传算法和最大熵阈值分割算法的图像分割方法，其特征在于，所述步骤(4)中的变异操作是将交叉操作产生的种群中的个体，按照固定的变异概率进行变异操作。